[論文レビュー] Artificial Mutation inspired Hyper-heuristic for Runtime Usage of Multi-objective Algorithms

Donia El Kateb, François Fouquet+2 more|arXiv (Cornell University)|Feb 18, 2014

Advanced Multi-Objective Optimization Algorithms参考文献 18被引用数 4

ひとこと要約

本論文では、過去の変異効率に基づいて人工的で選択的な変異をガイドする、ハイパーヒューリスティック「Sputnik」を提案する。継続的な学習により、各段階で高い影響を持つ変異演算子を動的に選択することで、妥当なトレードオフに到達するための世代数を約37％削減し、同時にハイパーボリューム性能を維持または向上させた。

ABSTRACT

In the last years, multi-objective evolutionary algorithms (MOEA) have been applied to different software engineering problems where many conflicting objectives have to be optimized simultaneously. In theory, evolutionary algorithms feature a nice property for runtime optimization as they can provide a solution in any execution time. In practice, based on a Darwinian inspired natural selection, these evolutionary algorithms produce many deadborn solutions whose computation results in a computational resources wastage: natural selection is naturally slow. In this paper, we reconsider this founding analogy to accelerate convergence of MOEA, by looking at modern biology studies: artificial selection has been used to achieve an anticipated specific purpose instead of only relying on crossover and natural selection (i.e., Muller et al [18] research on artificial mutation of fruits with X-Ray). Putting aside the analogy with natural selection , the present paper proposes an hyper-heuristic for MOEA algorithms named Sputnik 1 that uses artificial selective mutation to improve the convergence speed of MOEA. Sputnik leverages the past history of mutation efficiency to select the most relevant mutations to perform. We evaluate Sputnik on a cloud-reasoning engine, which drives on-demand provisioning while considering conflicting performance and cost objectives. We have conducted experiments to highlight the significant performance improvement of Sputnik in terms of resolution time.

研究の動機と目的

• マルチオブジェクティブ進化的アルゴリズム（MOEAs）の実行時における性能ボトルネック、特にランダムな自然選択による遅い収束を解決すること。
• 現代の遺伝子工学にインspiredされた、ランダムな変異を置き換えるガイド付きの人工的変異戦略を用いて、MOEAsの収束速度を向上させること。
• 過去の変異性能から学習し、各ステップで最も効果的な変異演算子を動的に選択するハイパーヒューリスティックを開発すること。
• レイテンシとコストといった相反する目的をバランスさせる実世界のクラウドリソース割り当てエンジンで、この手法を検証すること。
• 人工的変異選択が、ソリューション品質や多様性を損なわず、より速い収束を達成できることを示すこと。

提案手法

• Sputnikは、変異演算子の歴史的影響に基づいて、その順位を継続的に学習・更新するメカニズムを採用する。
• 変異選択にはエリート主義とカーストの2つの戦略を用いる：エリート主義は上位のパフォーマンスを示す演算子を優先し、カースト戦略はより広い範囲から選択することで多様性を維持する。
• NSGA-II、ε-NSGA-II、ε-MOEA、Hyper-MOEAといったMOEAフレームワークと統合され、それらのデフォルトのランダムな変異選択を置き換える。
• フィットネス評価は、マルチオブジェクティブ最適化の品質を測る標準指標であるハイパーボリュームに基づく。
• 各世代終了後に、パラトゥーフロントの改善に寄与した演算子の貢献度に基づき、演算子の順位を動的に更新する。
• Sputnikは、適応的かつリアルタイムなクラウドプロビジョニングを想定した、Polymer model@runtimeフレームワーク内での評価が行われた。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 人工的変異選択に基づくハイパーヒューリスティックは、MOEAの収束に必要な世代数を削減できるか？
• RQ2 RQ2: 提案された人工的変異戦略は、ランダム選択と比較してパラトゥーフロントの品質を維持または向上できるか？
• RQ3 RQ3: 標準的なMOEAアルゴリズムと統合された際、Sputnikはハイパーボリュームの向上においてどの程度の効果を示すか？
• RQ4 RQ4: カースト戦略は収束速度を維持しつつ、ソリューションの多様性を向上させることができるか？

主な発見

• Sputnikは、ランダムな変異選択と比較して、妥当なトレードオフに到達するための世代数を約37％削減した。
• エリート主義戦略はカースト戦略よりもわずかに収束が速かったが、両者ともランダム選択を上回った。
• カースト戦略はエリート主義（0.77）およびランダムベースライン（0.78）を上回る高いハイパーボリュームスコア（0.81）を達成し、収束品質の優位性を示した。
• Sputnikは、ハイパーボリューム値がエリート主義で0.77、カーストで0.81（200世代後）と、標準的なMOEAsの0.67～0.68と比較して、ソリューション品質を維持または向上させた。
• NSGA-IIおよびε-NSGA-IIと統合した場合、Sputnikはそれぞれ0.72および0.75のハイパーボリュームスコアを達成し、ベースライン（0.67および0.66）を上回った。
• 結果から、人工的変異選択がソリューション品質を劣化させず、リアルタイム最適化シナリオにおける収束速度を顕著に向上させられると確認された。